Net Promoter Score

Net Promoter Score (або NPS) — це поширений метрик, який використовують, щоб відстежувати успіх продукту чи вебсайту. Його вимірюють за допомогою простого запитання:

Наскільки ймовірно, що ви порадите цей продукт або вебсайт другу чи колезі?

Користувачі відповідають за шкалою від 0 до 10, де 0 — зовсім не порадили б, а 10 — дуже ймовірно порадили б.

NPS

Що з наведеного найкраще описує NPS?

Ця вправа є частиною курсу

Data Science для бізнесу

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Data Science для бізнесу

SkillTag.level.beginnerSkillTag.label

4.8+

Почніть курс безкоштовно

Ми почнемо курс із визначення, що таке data science. Розглянемо робочий процес у data science і те, як його застосовують до реальних бізнес‑задач. Завершимо розділ обговоренням способів структурувати вашу дата‑команду відповідно до потреб організації.

Exercise 1: Що таке Data Science?Exercise 2: Робочий процес сегментації клієнтів Exercise 3: Створення чат-бота служби підтримки Exercise 4: Поліпшення OKR Exercise 5: Застосування Data Science Exercise 6: Призначення проєктів з Data Science Exercise 7: Інвестиційне дослідження Exercise 8: Формування команди з data science Exercise 9: Тлумачення спринту команди Exercise 10: Редагування вакансії Exercise 11: Відповідність навичок посадам Exercise 12: Класифікація завдань із даними

Тепер, коли ми розуміємо робочий процес у data science, заглибимося в перший крок — збирання даних. Ми розглянемо різні джерела даних, з яких може черпати ваша компанія, і те, як зберігати зібрані дані.

Exercise 1: Джерела даних і ризики Exercise 2: Класифікація даних для безпеки Exercise 3: Створення подій вебданих Exercise 4: Захист PII Exercise 5: Запитані дані Exercise 6: Визначення мети запитань Exercise 7: Перевірка відгуків фокус-групи Exercise 8: Net Promoter Score

Поточна вправа

Exercise 9: Збирання додаткових даних Exercise 10: Класифікація джерел даних Exercise 11: Поширеність астми Exercise 12: Зберігання та отримання даних Exercise 13: Хмарні платформи Exercise 14: Запити до бази даних Exercise 15: Який тип бази даних?

У цьому розділі ми обговоримо способи дослідження та візуалізації даних за допомогою дашбордів. Розглянемо складові дашборда і як сформулювати цільовий запит на дашборд. Також у розділі йтиметься про разові (ad hoc) запити до даних і A/B‑тести — потужний аналітичний інструмент, що знижує ризики під час ухвалення рішень.

Exercise 1: Панелі моніторингу Exercise 2: Класифікація елементів дашборду Exercise 3: Покращення дашборду Exercise 4: Вибір відповідної панелі моніторингу Exercise 5: Разовий аналіз Exercise 6: Заповнення разового (ad hoc) запиту Exercise 7: Класифікація запитів Exercise 8: A/B‑тестування Exercise 9: Створення робочого процесу A/B‑тестування Exercise 10: Розмір вибірки Exercise 11: Проміжні результати

У фінальному розділі ми поговоримо про найгарячішу тему в data science — машинне навчання. Розглянемо навчання з учителем і без учителя, а також кластеризацію. Далі перейдемо до спеціальних тем машинного навчання: прогнозування часових рядів, обробка природної мови, глибоке навчання та пояснюваний ШІ.

Exercise 1: Кероване машинне навчання Exercise 2: Коли застосовувати контрольоване навчання Exercise 3: Ознаки та мітки Exercise 4: Оцінювання моделі Exercise 5: Кластеризація Exercise 6: Контрольоване vs. неконтрольоване Exercise 7: Вибір кількості кластерів Exercise 8: Спеціальні теми в машинному навчанні Exercise 9: Класифікація задач машинного навчання Exercise 10: Аналіз тональності Exercise 11: Глибоке навчання та пояснюваний ШІ Exercise 12: Добір коректного розвʼязку Exercise 13: Чи варто використовувати глибоке навчання?